人口老龄化的加剧，以及耐药性病毒的增加，使人们饱受疾病折磨却仍无有效治疗方法。人们对新药物的需求空前高涨，然而新药上市所需的时间非常漫长，成本也居高不下。
根据美国食品药品监督管理局(FDA)的统计，研发一种新药可能需要耗资数十亿美元，且最长历时14年。FDA表示，尽管付出了如此巨大的努力，但最终只有8%的药物能够成功上市。
“我们需要在确定研发和测试潜在药物方面做出更明智的决策。”位于旧金山的初创公司Atomwise的联合创始人Abraham Heifets说道。
Atomwise是NVIDIA初创加速计划的成员。为了实现上述目标，他们正使用由GPU加速的深度学习技术来预测最有可能带来治疗效果的分子。该公司已经取得了一些成就：他们找到了有望治疗多发性硬化症和致命性埃博拉病毒的药物。
Atomwise如何寻找候选药物
研究人员首先要找出疾病的生物学致病原因（通常是某种蛋白质）以确定治疗靶标。例如，某种蛋白质可能会促进肿瘤生长或引起炎症。接下来，他们会寻找能够作用于靶标的药物，从而抑制或促进其功能。
该公司的深度学习软件AtomNet可以通过筛选上百万种可能的分子来寻找有效的治疗方式。然后，该软件会对潜在药物如何在人体内发挥作用进行模拟并分析。
这款软件可以预测出某一疗法是否对靶标起作用、对人体其他部分的影响、毒性以及其他可能产生的副作用。Atomwise使用了NVIDIA Tesla V100以及其他型号的NVIDIA GPU，以进行训练和推理。
在完成评估后，Atomwise便将候选药物交付给客户，如制药巨头Merck和顶级研究机构，包括哈佛大学丹娜法伯癌症研究院（Dana Farber Cancer Institute）、斯坦福大学和贝勒医学院。这些机构将进行进一步的研究，以确定某种化合物是否可以获得批准以用于治疗。
该模拟展示的是与癌症和免疫功能有关联的Janus kinas 3蛋白。图片由Atomwise提供。
通过快速模拟分析获得洞察
Heifets指出，通过对上百万种分子进行物理测试和筛选，最终才能发现一种成为药物的分子。而通过使用AI对模拟进行分析，Atomwise帮助研究人员提高了效率，避免因合成并测试药物但最终无法成功而浪费时间。
“其他制造行业在开始生产前都会对原型进行模拟，”他补充道，“我们的目标是为制药行业带来与其他行业相同的优势。”
据Heifets称，其公司采用的方法比常用的药物化合物自动评估技术高通量筛选（high-throughput screening）快100 倍。而且效率比专注定制合成的医药化学家快一百万倍。Heifets表示，其命中率要比湿法实验室的实验（wet lab experiments）高1万倍。
扫描电镜拍摄到的彩色图像中的埃博拉病毒颗粒（蓝色）。图片由美国国家过敏和传染病研究所（National Institute of Allergy and Infectious Diseases）提供。
锁定埃博拉病毒和多发性硬化症
Atomwise已在抗击埃博拉病毒和多发性硬化症方面取得了进展，目前针对这两者均无有效的治疗方法。埃博拉病毒可引发高达90%的死亡率 ，自1976年出现以来，已夺去了成千上万人的生命。Atomwise发现了一种可能会阻止埃博拉病毒进入健康细胞的候选药物。
多发性硬化症是一种潜在的大脑和脊髓致残性疾病，根据美国国家多发性硬化症协会（National Multiple Sclerosis Society）的统计，全球约有230万人罹患此疾病。设计一种可以直达大脑的治疗方法非常困难，因为血脑屏障会阻止大多数分子进入大脑。潜在的治疗方法必须设法穿过这一障碍。
Atomwise研究了820万种分子，以找出几种有疗效的候选药物。在动物试验中，这些药物显示出有效性，并已被授权给英国的一家制药公司进行进一步研究。
“希望我们能解决难题，并最终找到可以治疗疾病的分子。”Heifets说道。
*本文主配图展示的是Atomwise的模拟药物研究，其中的神经网络可以学习识别化学官能团。图片由Atomwise提供。